Navigation ▼

Show simple item record

dc.contributor.advisor Wörgötter, Florentin Prof. Dr. de
dc.contributor.author Markelic, Irene de
dc.date.accessioned 2010-12-08T12:11:40Z de
dc.date.accessioned 2013-01-18T13:41:51Z de
dc.date.available 2013-01-30T23:51:12Z de
dc.date.issued 2010-12-08 de
dc.identifier.uri http://hdl.handle.net/11858/00-1735-0000-0006-B6A1-A de
dc.description.abstract Roboter können unser Leben erleichtern, indem sie für uns unangenehme, oder sogar gefährliche Aufgaben übernehmen. Um sie effizient einsetzen zu können, sollten sie autonom, adaptiv und einfach zu instruieren sein. Traditionelle 'white-box'-Ansätze in der Robotik basieren auf dem Verständnis des Ingenieurs der unterliegenden physikalischen Struktur des gegebenen Problems. Ausgehend von diesem Verständnis kann der Ingenieur eine mögliche Lösung finden und es in dem System implementieren. Dieser Ansatz ist sehr mächtig, aber gleichwohl limitiert. Der wichtigste Nachteil ist, dass derart erstellte Systeme von vordefiniertem Wissen abhängen und deswegen jedes neue Verhalten den gleichen, teuren Entwicklungszyklus benötigt. Im Gegensatz dazu sind Menschen und einige andere Tiere nicht auf ihre angeborene Verhalten beschränkt, sondern können während ihrer Lebenszeit vielzählige weitere Fähigkeiten erwerben. Zusätzlich scheinen sie dazu kein detailliertes Wissen über den (physikalische) Ablauf einer gegebenen Aufgabe zu benötigen. Diese Eigenschaften sind auch für künstliche Systeme wünschenswert. Deswegen untersuchen wir in dieser Dissertation die Hypothese, dass Prinzipien des menschlichen Fähigkeitslernens zu alternativen Methoden für adaptive Systemkontrolle führen können. Wir untersuchen diese Hypothese anhand der Aufgabe des Autonomen Fahrens, welche ein klassiches Problem der Systemkontrolle darstellt und die Möglichkeit für vielfältige Applikationen bietet. Die genaue Aufgabe ist das Erlernen eines grundlegenden, antizipatorischen Fahrverhaltens von einem menschlichem Lehrer. Nachdem wir relevante Aspekte bezüglich des menschlichen Fähigkeitslernen aufgezeigt haben, und die Begriffe 'interne Modelle' und 'chunking' eingeführt haben, beschreiben wir die Anwendung dieser auf die gegebene Aufgabe. Wir realisieren chunking mit Hilfe einer Datenbank in welcher Beispiele menschlichen Fahreverhaltens gespeichert werden und mit Beschreibungen der visuell erfassten Strassentrajektorie verknüpft werden. Dies wird zunächst innerhalb einer Laborumgebung mit Hilfe eines Roboters verwirklicht und später, im Laufe des Europäischen DRIVSCO Projektes, auf ein echtes Auto übertragen. Wir untersuchen ausserdem das Erlernen visueller 'Vorwärtsmodelle', welche zu den internen Modellen gehören, sowie ihren Effekt auf die Kontrollperformanz beim Roboter. Das Hauptresultat dieser interdisziplinären und anwendungsorientierten Arbeit ist ein System, welches in der Lage ist als Antwort auf die visuell wahrgenommene Strassentrajektorie entsprechende Aktionspläne zu generieren, ohne das dazu metrische Informationen benötigt werden. Die vorhergesagten Aktionen in der Laborumgebung sind Lenken und Geschwindigkeit. Für das echte Auto Lenken und Beschleunigung, wobei die prediktive Kapazität des Systems für Letzteres beschränkt ist. D.h. der Roboter lernt autonomes Fahren von einem menschlichen Lehrer und das Auto lernt die Vorhersage menschlichen Fahrverhaltens. Letzteres wurde während der Begutachtung des Projektes duch ein internationales Expertenteam erfolgreich demonstriert. Das Ergebnis dieser Arbeit ist relevant für Anwendungen in der Roboterkontrolle und dabei besonders in dem Bereich intelligenter Fahrerassistenzsysteme. de
dc.format.mimetype application/pdf de
dc.language.iso eng de
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/ de
dc.title Einen Roboter das Fahren Lehren - ein auf Fähigkeitslernen basierter Ansatz de
dc.type doctoralThesis de
dc.title.translated Teaching a Robot to Drive - A Skill Learning Inspired Approach de
dc.contributor.referee Parlitz, Ulrich Prof. Dr. de
dc.date.examination 2010-08-06 de
dc.description.abstracteng Robots can alleviate our lives by accomplishing tasks that are unpleasant or even dangerous for us. To employ them efficiently they should be autonomous, adaptive, and easy to instruct and use. Traditional white-box approaches to robot control are based on an engineer s understanding of the physical structure of a given problem from which he or she derives a possible solution which is implemented into the system. This is a powerful approach, yet also limited in several ways. The primary drawback is that such systems depend on predefined knowledge and therefore each additional behavior again requires the same expensive implementation cycle. By contrast, humans and many other animals are not limited to innate behaviors but can acquire various skills during lifetime. In addition, for them detailed knowledge of the underlying (physical) process of a given task does not seem to be required. These features are attractive for artificial systems too. In this thesis we therefore investigate the hypothesis that principles of human skill acquisition may lead to alternative methods for adaptive system control. In addition we postulate that an economical factor should be considered, i.e. tasks should be solved with little a priori knowledge and little processing, to arrive at effcient processing mechanisms. We investigate this for the task of autonomous driving which is a classical problem in system control with a wide range of applications. The precise task is to learn basic, anticipatory driving from a human supervisor. After reviewing relevant aspects concerning human skill acquisition and introducing the notion of internal models and chunking we propose the application of the latter to the given task. We realize chunking with a database where human driving examples are attached to extracted descriptions of the visually perceived street trajectory. This is first realized in an indoor scenario using a robot, and later, in the course of the European DRIVSCO project, transferred to a real car. Furthermore, we investigate the learning of visual forward models which are part of internal models and their e ffect on control performance in the laboratory setup. The main result of this interdisciplinary and application oriented work is a system which is able to produce action plans in response to visually perceived street trajectories, without requiring metric information for street following. The predicted actions concerning the robot setup were steer and speed, and for the real car steer and acceleration where the predictive capacitiy of the system for the latter was limited. Hence, the robot learned to drive autonomously from a human teacher and the car learned to predict the human s actions. The latter was successfully demonstrated during the international review meeting of the project. The outcome of this work is interesting for applications in robot control and especially intelligent driver assistance systems. de
dc.contributor.coReferee Fu, Xiaoming Prof. Dr. de
dc.contributor.thirdReferee Damm, Carsten Prof. Dr. de
dc.subject.ger Fähigkeitslernen de
dc.subject.ger Maschinenlernen de
dc.subject.ger autonomes Fahren de
dc.subject.ger Roboter Kontrolle de
dc.subject.ger Imitationslernen de
dc.subject.ger Fahrerassistenz de
dc.subject.ger visuelle interne Modelle de
dc.subject.eng skill learning de
dc.subject.eng machine learning de
dc.subject.eng autonomous driving de
dc.subject.eng robot control de
dc.subject.eng programming by demonstration de
dc.subject.eng imitation learning de
dc.subject.eng driver assistance de
dc.subject.eng visual internal models de
dc.identifier.urn urn:nbn:de:gbv:7-webdoc-2744-7 de
dc.identifier.purl webdoc-2744 de
dc.affiliation.institute Fakultät für Physik de
dc.identifier.ppn 663928966 de

Files in this item

This item appears in the following Collection(s)

Show simple item record